47682
Авторский канал по ВАЙБ КОДИНГУ, сотрудничество: @nikwolve
Оп, OpenAI выкатили GPT-5.4
Новая флагманская модель вышла в версиях Thinking и Pro и получила контекст до 1 млн токенов.
Что обновили:
• Улучшили результаты в коде, математике и агентских задачах
• Модель быстрее отвечает и тратит меньше токенов на рассуждение
• Теперь можно остановить ответ на середине и дописать инструкции
• В Codex появился режим /fast – генерация примерно в 1.5× быстрее
По бенчмаркам уровень кода сопоставим с Claude Opus 4.6, а в агентских задачах модель даже сильнее.
Цена: $2.5 / $15 за 1M токенов (вход / выход). Доступ уже начинают постепенно открывать пользователям.
Новый репозиторий OpenAI: Symphony 😳
TL;DR: это оркестрационный слой, который опрашивает проектные канбан-доски на изменения и поднимает агентов под каждую стадию жизненного цикла тикета.
Вместо того чтобы промптить агента написать код и сделать PR, ты просто двигаешь тикеты по канбан-доске.
100% опенсорс
Google выкатили Google Workspace CLI
Один инструмент командной строки для управления всем стеком Google Workspace (Drive, Gmail, Calendar, Sheets, Docs и др.)
Ключевые детали:
- Команды генерируются динамически с использованием Google Discovery Service
- Не нужно вручную писать REST API-запросы
- На выходе — структурированный JSON, чтобы AI-агенты могли легко его использовать
- Поставляется с 40+ встроенными agent skills и 100+ workflow-рецептами
- Может работать как MCP-сервер, чтобы агенты вроде Claude Desktop или Gemini CLI могли управлять инструментами Workspace через него
Gemini 3.1 Flash-Lite уже вышел. 😨😨
Это самая экономичная по цене модель в линейке Gemini 3, заточенная под интеллект в масштабе.
За счет роста скорости вывода на 45% она обходит 2.5 Flash и поддерживает динамические уровни размышления под сложность задачи.
Gemini 3 Flash-Lite в цифрах:
- 1432 Elo в лидерборде arena
- 86.9% на GPQA Diamond (научные знания)
- 76.8% на MMMU Pro (мультимодальное рассуждение)
Цена $0.25 за 1M входных токенов и $1.50 за 1M выходных токенов.
Gemini 3.1 Flash-Lite выкатывается в превью для разработчиков и компаний через Gemini API в Google AI Studio и Vertex AI.
🚬 Software инженеры это вам: я нашел open-source агент для мониторинга ошибок, который сканирует продовые логи, находит первопричину и шлет сообщение в Slack со всем контекстом еще до того, как ты вообще заметишь, что что-то сломалось.
Сокращает простой в проде на 95%
Как это работает:
1. Забирает сырые ошибки из Sentry или Azure Log Analytics
2. Семантически группирует их по первопричине (20 ошибок превращаются примерно в 4 реальные проблемы)
3. Ищет в GitHub конкретные файлы кода, которые задействованы
4. Проверяет Linear на существующие тикеты, чтобы не плодить дубликаты
5. Пробегается по Slack в поиске прошлых обсуждений похожих инцидентов
6. Определяет критичность (S1-S4) и решает, алертить или подавлять
7. Отправляет в Slack обогащенные алерты со ссылками на код, статусом тикета и уровнем критичности
Агент можно гонять в проде как cron job каждые 5 минут.
Он построен поверх Airweave AI, это open-source слой для контекстного retrieval, который делает все инструменты семантически поисковыми для агентов.
Ключевая мысль: обычные тулзы мониторинга ошибок дают алерты, но не дают контекст. Airweave закрывает эту дыру, делая все инструменты и кодовые базы семантически доступными для поиска агентами.
Он подключается к 50+ источникам (GitHub, Linear, Slack, базы данных и т.д.) и дает агентам возможность искать по всем сразу одним запросом.
Кто-то собрал полноценный клон Perplexity, который работает на 100% локально и стоит $0.
Называется Perplexica. 🤙
→ real-time поиск по вебу
→ Даёт ссылки на все источники, которые использует
→ Работает с локальными моделями через Ollama
→ Несколько режимов поиска (обычный, академический, YouTube, Reddit, writing)
→ Ноль затрат на API. Ноль сбора данных.
29K звёзд. Лицензия MIT.
100% opensourse
Когда Text-to-SQL не работает, мы обычно валим всё на LLM или на кривой промптинг.
Но настоящая проблема чаще всего в схеме.
Объясняю:
Ты спрашиваешь: “Какие издатели получали роялти-платежи больше $5,000?”
Векторный поиск подтягивает "publisher" и "royalty_ledger".
Но он пропускает "vendor_agreement" — таблицу-мост, которая их связывает.
В итоге LLM пишет валидный SQL, который возвращает пусто.
Вот почему векторы сыпятся на реальных enterprise-схемах.
Они матчят названия.
Они не умеют находить пути для join-ов.
А пути уже описаны во внешних ключах.
Именно эту дыру закрывает QueryWeaver.
Это open-source инструмент от FalkorDB.
QueryWeaver превращает твою схему в граф.
- Таблицы это узлы.
- Внешние ключи это рёбра.
Потом он проходит по пути и автоматически добавляет промежуточные таблицы-мосты.
Спокойно тянет multi-hop цепочки.
Его гоняли на BIRD Benchmark на базе “superhero ” БД, расширенной до 60 таблиц: он разрулил запрос на 5 hop-ов, простроив цепочку через:
superpower → capability_matrix → stakeholder_registry → resource_requisition → budget_allocation
Можно запустить локально:
id="6b6prn"
docker run -p 5000:5000 -it falkordb/queryweaver
Voice mode наконец-то выкатывают в Claude Code. Сегодня он уже доступен примерно для 5% пользователей, и дальше будут постепенно расширять rollout в ближайшие недели.
Когда у тебя появится доступ, на welcome-экране будет заметка. Включается и выключается командой /voice.
Как пользоваться voice mode: зажимаешь пробел, говоришь, отпускаешь. По сути, push-to-talk.
Транскрипт стримится прямо в позицию курсора. Можно набрать половину промпта руками, надиктовать грязную середину голосом, потом дописать. То, что уже набрано, он не заменяет.
За voice mode доплачивать не нужно, и токены за транскрибацию голоса не учитываются в твоих rate limits.
Доступно на планах Pro, Max, Team и Enterprise, раскатывают волнами.
AI-агент, который управляет телефоном через обычный текст 💖
Один разработчик выложил в опенсорс проект PhoneDriver. Он работает на визуальной модели Qwen3-VL, умеет понимать, что на экране телефона, и имитировать действия человека.
Достаточно просто описать задачу, например: "Открой настройки и включи Wi-Fi". Модель сама анализирует элементы интерфейса и через команды ADB выполняет клики, свайпы или ввод текста.
Есть визуальный веб-интерфейс: можно в реальном времени смотреть скриншоты с телефона и логи выполнения.
Также поддерживается автоопределение разрешения экрана, плюс можно настраивать параметры модели, задержку действий, число ретраев и т.д.
Для деплоя в основном нужны Python и окружение ADB. Ещё нужна видеокарта с достаточным объёмом VRAM, чтобы тянуть 4B или 8B визуальную модель, а на телефоне должен быть включён USB Debugging.
Похоже, GPT-5.4 уже вот-вот.
По слухам, там будет контекст примерно на 2 млн токенов, реальное персистентное состояние между сессиями и переработанная архитектура памяти, заточенная под автономных агентов.
Если это правда, то это полноценная смена поколения, которая может за ночь перезапустить всю гонку ИИ. 😳
На Hacker News сейчас в топе вот эта статья: https://mksg.lu/blog/context-mode
Рекомендую глянуть, автор придумал подход Context Mode, чтобы экономить токены контекста.
Когда дергаешь MCP, вызов инструмента жрет контекст с двух сторон: и вход, и выход тратят токены.
Решение автора: Context Mode.
Он добавляет прослойку между Claude Code и выводом внешних инструментов. Главная цель: не пускать сырые большие куски данных в контекстное окно. За счет этого можно получить до 98% экономии контекста.
Как это работает:
1. Песочница и изоляция выполнения. Каждый вызов инструмента крутится в отдельном подпроцессе, есть поддержка 10 рантаймов (JS, Python и т.д.). В контекст возвращается только результат из stdout, а исходный объемный вывод остается внутри песочницы и не попадает в контекст.
2. База знаний + сжатый вывод. Markdown-контент индексируется через SQLite FTS5 virtual table + BM25 ranking + Porter stemming. Когда модели нужно, она точечно вытягивает нужные блоки кода, вместо того чтобы пихать в контекст резюме или весь текст целиком.
Данные из тестов автора:
➡️Playwright snapshot: 56 KB -> 299 B
➡️20 GitHub Issue: 59 KB -> 1.1 KB
➡️500 access logs: 45 KB -> 155 B
➡️Анализ CSV на 500 строк: 85 KB -> 222 B
➡️153 git commit logs: 11.6 KB -> 107 B
По идее очень похоже на то, что Cloudflare раньше выпускали как Code Mode.
100% опенсорс 👋
Коллеги, кто до сих пор не выкупил, что умеет OpenClaw, лучше просто идите и форкните этот GitHub.
Автор собрал 30+ приземленных кейсов. Про шаблоны, которые можно взять и запустить. Обычному человеку достаточно подставить свой контент, и уже будет работать.
Какие есть практичные кейсы?
- Автоматически собирать и кратко суммировать самое годное из твоих любимых сабреддитов на Reddit
- Тянуть свежие видео с YouTube-канала и делать по ним саммари
- Агрегировать RSS / X / GitHub / и вообще тех. новости со всего интернета
- Помогать с маркет-ресерчем
- И даже прогонять весь пайплайн разработки игры
Много полезных кейсов. 👃
Ollama теперь умеет запускать сабагентов в OpenCode.
Можно распараллеливать задачи, которым нужен более длинный контекст: ресёрч, рефакторинг и код-ревью.ollama launch opencode
Гений закрыл серьёзную слепую зону в недавно вышедшем skill для fine-tuning от HuggingFace
HuggingFace выпустили skill, который можно подключить к Claude или любому кодинг-агенту, и он позволяет дообучать open-source LLM-ки на обычном тексте.
Агент сам делает выбор GPU, сабмитит джобу, мониторит прогресс и пушит готовую модель на Hub.
Но есть нюанс.
Он предполагает, что у тебя уже есть чистый датасет на HuggingFace Hub.
А в реальности данные, на которых чаще всего хочется дообучаться, живут в Twitter, LinkedIn, Reddit, Amazon и на других платформах за антибот-защитой.
Поэтому гений интегрировал Bright Data Web MCP в этот skill, чтобы кодинг-агент мог собирать данные из веба перед тем, как запускать обучение:
- Скрапить данные с платформ вроде YouTube, Amazon или Reddit, при этом CAPTCHA и антибот-системы обрабатываются автоматически.
- Преобразовывать собранный контент в датасет для fine-tuning в нужном формате.
- Валидировать датасет, подобрать GPU-железо и отправить training job в HuggingFace.
- Следить за ходом обучения и пушить готовую модель на Hub.
С этим обновлением теперь можно сказать Claude что-то вроде:
"Собери топ-500 обсуждений про Python с Reddit, конвертни их в instruction-response пары и дообучи Qwen3-0.6B на этом датасете через SFT."
И агент дальше сам сделает сбор данных, форматирование, обучение и деплой в одном пайплайне.
Оригинальный skill от HuggingFace отлично закрывал часть с обучением, её и не трогали.
Чувак просто добавил недостающий слой сбора данных через Bright Data MCP, который поддерживает 60+ web data tools для 40+ платформ.
Почему именно Bright Data?
Агентам в вебе часто прилетают IP-блокировки и CAPTCHA. Bright Data берёт это на себя за кулисами.
Это позволяет масштабировать скрейпинг без постоянных блоков, симулировать действия реального пользователя на сложных сайтах и работать как с real-time, так и с историческими данными с 40+ платформ.
100% опенсорс 💼
Официальные Apify Agent Skills : для веб-скрейпинга, извлечения данных и автоматизации
1 универсальный скилл apify-ultimate-scraper = вытаскивает данные со всего веба:
- X (Twitter): твиты в реальном времени
- TikTok / IG: горячие тренды
- YouTube: субтитры к видео и скачивание
- Google Maps: инфа по бизнесам
Все возвращается как структурированный JSON, ИИ получает и может сразу запускать автоматизацию.
Очень подходит соло-разработчикам и тем, кто пилит тулзы для автоматизации
Прикольная, кастомная команда в Claude Code: /cost-estimate
Она сканирует твой кодбейз и сверяет с текущими рыночными ставками, чтобы посчитать, сколько бы стоил проект, если бы его делала обычная команда.
Смотрит на все API, интеграции, вообще всё.
Без ИИ: примерно 2,8 года. Примерно $650k.
С ИИ: 30 часов.
Вот сам markdown-файл.
✅✅✅
Приложение Codex теперь доступно на Windows.
Оно работает и нативно, и в WSL, с встроенными терминалами для PowerShell, Command Prompt, Git Bash или WSL.
Также сделали первую нативную для Windows песочницу для агента: на уровне ОС она блокирует запись в файловую систему вне вашей рабочей папки и запрещает исходящий сетевой трафик, пока вы явно не разрешите.
Плюс: 7 новых приложений “Open in …” и 2 новых Windows-скилла (WinUI + ASP.NET).
Один разработчик похоронил аргумент "ИИ не тянет большие кодовые базы".
Штука называется RepoMap в Aider.
- Генерит сжатую карту всего репозитория
- Упаковывает кодбазы на 100K+ строк в 4K токенов
- Показывает Claude, какие файлы реально релевантны
- Автоматически обновляется по мере правок
- Никакой настройки
ИИ понимает весь проект целиком, а не только те файлы, которые ты не забыл вставить. 👌
100% опенсорс
Профессор Дональд Кнут начал свою новую статью словами: "Шок! Шок!" 😨😨
Claude Opus 4.6 только что решил открытую задачу, над которой Кнут работал неделями, гипотезу о разложении графа из его книги The Art of Computer Programming.
Он назвал статью "Claude Cycles".
31 попытка. Примерно 1 час. Кнут прочитал вывод модели, оформил формальное доказательство и закончил так: "Похоже, однажды мне все-таки придется пересмотреть свое мнение о генеративном ИИ."
Человек, который написал библию computer science, только что это сказал. В статье, названной в честь ИИ.
Статья, кому интересно: https://cs.stanford.edu/~knuth/papers/claude-cycles.pdf
OpenClaw cовет:
Твои агенты могут тебе врать.
Они скажут "уже делаю!" и даже не начнут. Скажут "готово!" а там ничего не готово. Скажут "собираю прямо сейчас" и при этом вообще ничего не запущено 🤡
Вот что я добавил в инструкции каждому агенту:
Never say 'done' or 'working on it' unless the action has actually started. Every status update must include proof — a process ID, file path, URL, or command output. No proof = didn't happen. A false completion is worse than a delayed honest answer.
Анатомия промпта для Claude 4.6
1. Задача (Task)
Определи, чего ты хочешь, и как выглядит успех:
"Я хочу [TASK], чтобы [SUCCESS CRITERIA]."
Без ролей типа "веди себя как сеньор-эксперт".
2. Контекстные файлы (Context Files)
Загрузи контекстные файлы со своей экспертизой и правилами:
"Сначала прочитай эти файлы полностью перед тем, как отвечать: [filename .md] - [что внутри]."
ИИ вырос. Не нужно объяснять все в промпте. Вынеси это в файлы.
3. Референс (Reference)
Покажи ИИ ровно то, что ты хочешь. Загрузи пример.
Потом задай паттерны, тон и структуру как правила. Без "сделай что-то похожее" и надежды, что ИИ сам догадается.
4. Краткое ТЗ (Brief)
Это единственная часть, которую вы набираете с нуля. Все остальное это файлы.
"Тип вывода + длина. Чего НЕ должно быть по звучанию. Что значит успех."
5. Правила (Rules)
Контекстный файл хранит твои стандарты, вкус и аудиторию.
Промпт: "Прочитай его полностью перед стартом. Если ты собираешься нарушить одно из моих правил, остановись и скажи мне."
6. Диалог (Conversation)
Мы 3 года промптили ИИ. Теперь он промптит нас.
Промпт: "НЕ начинай выполнять задачу. Задай мне уточняющие вопросы (используй инструмент 'AskUserQuestion'), чтобы мы вместе пошагово уточнили подход."
7. План (Plan)
Claude прочитал твои файлы до того, как написал хоть слово.
Промпт: "Перед тем как что-то писать, перечисли 3 правила из моего контекстного файла, которые важнее всего для этой задачи. Потом дай план выполнения."
8. Выравнивание целей (Alignment)
Ничего не происходит, пока вы оба не видите одну и ту же цель. Это заменяет старую эпоху промптинга.
Промпт: "Начинай работу только после того, как мы согласуемся."
AI В МАРКЕТИНГЕ: КРЕАТИВЫ, ВОРОНКИ, АНАЛИТИКА И АГЕНТЫ
За последний год маркетинг изменился кардинально: AI-агенты автоматизируют аналитику и ротацию креативов, вайбкодинг позволяет делать сайты и ботов за час, генеративные тулы создают видео пачками без команды дизайнеров.
Что нас ждет в 2026?
5 топовых экспертов создали практическую конференцию "AI в маркетинге: креативы, воронки, аналитика и агенты", на которой покажут как это работает на практике. Каждый спикер даст конкретные инструменты, которые можно внедрить сразу.
Конференция для вас маст-хэв, если вы:
🔹 Тратите 4+ часов в день на дашборды и ручные отчёты
🔹 Сливаете бюджет на выгоревшие креативы
🔹 Ждёте разработчиков для создания сайтов и ботов
🔹 Нужна команда дизайнеров и монтажеров для производства контента
🗓 Собираемся 5 марта с 18:00 по МСК в онлайне. Вы заберёте рабочие кейсы и инструменты:
– Скиллы для вайбкодинга: как делать сайты, тг-ботов и скрипты без разработчиков
– Миро-доску с воркфлоу создания AI-контента: как создавать мультики в Higgsfield и автоматизировать процесс
– Шаблон для автоматизации ротации креативов: агент следит за выгоранием и ротирует автоматически
– Фреймворки AI-native аналитики: как получать инсайты за секунды, а не за недели
– Шаблон работы с AI-агентами через Cursor
👉 Регистрируйтесь в боте:
/channel/marketing_conference_bot
Для участия нужна только подписка на каналы спикеров.
Запустить несколько headless-инстансов под скрейпинг/тесты/автоматизацию легко.
А вот поднимать их, следить за жизненным циклом, нормально гасить и чистить ресурсы не очень. Всё расползается в набор разрозненных скриптов.
А что если был бы простой отдельный инструмент ровно под эту задачу? 💓
Знакомься, Pinchtab это легковесный Go-бинарник (12 МБ), который запускает Chrome и поднимает простой HTTP API. Любой агент или скрипт может через него ходить по страницам, быстро читать текст, интерактивно кликать/вводить и сохранять сессии. Ноль конфигурации, без привязки к фреймворкам, экономит токены.
Pinchtab это пакет для Node.js.
Установка:
npm install pinchtab
const { Pinchtab } = require('pinchtab');
const orchestrator = new Pinchtab();
// Запускаем 3 headless-инстанса Chrome
const fleet = await orchestrator.launch(3);
// fleet содержит данные для подключения (например WS endpoints) для каждого инстанса
console.log(fleet);
// Потом аккуратно гасим весь флот
await orchestrator.destroy();
OpenClaw получил нечестное преимущество над всеми остальными AI-агентами
Теперь он умеет использовать Scrapling, чтобы скрейпить любые сайты и не отлетать на Cloudflare. И тебе не нужно поддерживать селекторы, когда сайт обновляет структуру.
- В 774 раза быстрее, чем BeautifulSoup.
- Нулевое детектирование бота.
- Нативно обходит ВСЕ защиты Cloudflare.
Полностью open source (100%). 🎸
AGENTS.md-файлы не масштабируются дальше умеренных кодовых баз.
В последнее время об этом много спорят.
Если ты делаешь серьезный софт с Claude Code или любым агентным инструментом, один-единственный AGENTS.md в какой-то момент тебя подведет. Эта статья показывает, что идет дальше.
Прототип на 1 000 строк можно целиком описать одним промптом. Система на 100 000 строк так не работает. ИИ нужно снова и снова, надежно и последовательно, объяснять: как устроен проект, каким паттернам следовать и каких ошибок избегать.
Однофайловые манифесты очень быстро упираются в потолок.
В новой статье Codified Context описана трехуровневая инфраструктура, собранная в ходе реальной разработки распределенной C#-системы на 108 000 строк кода: 283 сессии за 70 дней.
Система использует трехуровневую архитектуру памяти:
- конституция горячей памяти (660 строк, всегда загружается)
- 19 специализированных доменных агент-экспертов (в сумме 9 300 строк), которые вызываются под конкретные задачи
- база знаний холодной памяти из 34 спецификаций (~16 250 строк), по которой делают запросы по требованию через MCP retrieval-сервер
За 283 сессии это дало 2 801 человеческий промпт, 1 197 вызовов агентов и 16 522 автономных хода агента, примерно по 6 автономных ходов на один человеческий промпт, при соотношении knowledge-to-code 24,2%.
Ключевой момент: ничего не проектировали заранее. Каждый новый агент и каждая спецификация появлялись из реального фейла: повторяющегося бага, архитектурной ошибки, забытой договоренности. Это фиксировали так, чтобы больше никогда не приходилось заново объяснять одно и то же, превращая документацию в опорную инфраструктуру, от которой агенты зависят как от памяти, а не как от справочника.
Кому интересно: https://arxiv.org/abs/2602.20478 👃
Тут подогнали опенсорсный веб-интерфейс для OpenClaw : ChatClaw 🤙
- WebSocket напрямую к Gateway: стриминг ответов, несколько сессий, Markdown и подсветка кода.
- Чистый фронт без бэка: API-ключи и история чатов полностью хранятся локально (Dexie.js), данные вообще не уходят с устройства.
- Сделано на Next.js 16 + Tailwind + shadcn/ui, адаптив под разные экраны.
- Воссоздаёт минималистичный UI как у Claude, есть переключение светлая/тёмная тема и экспорт истории/конфигов.
ИСХОДНИКИ
Alibaba выкатили для комьюнити AI-агентов бесплатную прод-песочницу.
OpenSandbox это фулл-стэк платформа, чтобы безопасно гонять недоверенный код агента:
- единые API + SDK под разные языки
- рантаймы на Docker и Kubernetes, заточенные под агент-сценарии
- автоматизация браузера, десктоп (в стиле VS Code) и изоляция сети из коробки
- рассчитано на код-агентов, GUI агентов, оценку агентов и вообще любые задачи, где надо запускать код в изоляции
Это не пет-проект, а опенсорс от Alibaba. На GitHub сейчас около 2.5k звёзд (цифра, естественно, быстро меняется).
Короче, безопасную инфраструктуру под агентов, которую обычно пришлось бы пилить самому, тут просто отдают готовой. 😊
Можно моментально прокачать вайбкодинг-фронтенд в 10 раз, просто выучив, как называются разные UI-компоненты: https://component.gallery/
А то Opus, конечно, генерит дефолтные шаблоны, потому что из словаря у тебя только menu и button. 🤭